Python字典遍历中keys()、values()与items()的区别

在 Python 中遍历字典时，keys()、values() 与 items() 这三个方法决定了循环每次拿出的数据形态。简单来说，keys() 仅获取所有键，values() 仅获取所有值，而 items() 则同时获取键与值构成的键值对元组。选对方法不仅可以让代码更简练易读，还能避免多余的哈希查找开销与潜在的运行时错误。

一、核心认知：Python 3 的视图对象（View Objects）

很多初学者容易把 keys()、values() 和 items() 的返回值当成普通的 Python 列表。在 Python 2 中它们确实直接返回静态列表，但在现代 Python 3 中，这三个方法返回的是名为字典视图对象（dict_keys、dict_values、dict_items）的特殊类型。

视图对象具有两个关键特征：第一，它们是动态的，不分配独立的列表内存空间，而是直接绑定底层字典哈希表；第二，它们会随着底层字典的变化实时联动。如果字典在视图创建后增加了新键值对，视图会即时反映这些变化，而不需要重新调用对应方法。

二、三个遍历方法的具体差异与代码示例

1. keys()：只提取字典的键

当业务逻辑仅需要检查键的存在性、输出所有字段名称，或者对键进行集合计算时，使用 keys()。

scores = {"Alice": 95, "Bob": 88, "Charlie": 92}

# 方式 A：显式使用 keys()
for student in scores.keys():
    print(f"学生姓名: {student}")

# 方式 B：直接遍历字典对象
for student in scores:
    print(f"学生姓名: {student}")

注意：在常规循环中，直接 for k in d 与 for k in d.keys() 在运行行为上完全等价。直接遍历字典默认就是在迭代键。但在需要明确表达代码意图，或使用集合运算（例如 dict_a.keys() & dict_b.keys() 计算两个字典共有键）时，显式调用 keys() 会使语义更加清晰。

2. values()：只提取字典的值

当只需要对数据进行数值统计、累加、判断状态，完全不在意对应的数据键名时，使用 values()。

scores = {"Alice": 95, "Bob": 88, "Charlie": 92}

total_score = 0
for score in scores.values():
    total_score += score

average = total_score / len(scores)
print(f"全班平均分为: {average:.1f}")

使用 values() 可以避免通过键二次索引的开销。但需要牢记：values() 返回的值没有键绑定，且值本身可以重复；如果需要根据值反推对应的键，在 values() 中是无法直接做到的。

3. items()：同时提取键和值

在实际开发中，items() 是使用频率最高的方法之一。每次迭代时，它都会返回一个形如 (key, value) 的双元素元组。通过 Python 的序列解包机制，可以直接将两个值分别赋给不同的变量。

scores = {"Alice": 95, "Bob": 88, "Charlie": 92}

# 推荐写法：通过 items() 直接解包键和值
for student, score in scores.items():
    print(f"{student} 的得分是 {score}")

三、三者在性能与特性上的多维对比

为了让不同场景下的技术选型更加明确，我们可以从返回值类型、单次迭代内容、成员查找复杂度以及集合运算支持等维度进行全面对比。

值得警惕的性能细节：成员检测（in 操作）

很多开发者习惯写 if x in d.keys() 或 if x in d.values()。这里隐藏着一个经常被忽略的性能差异：

• x in d 或 x in d.keys()：时间复杂度是 O(1)。因为字典键具有唯一的哈希映射，Python 可以瞬间判断键是否存在。
• y in d.values()：时间复杂度是 O(n)。因为字典并不为值维护哈希索引，值可能重复甚至包含不可哈希对象，Python 只能从头到尾线性扫描每个值。当字典包含数十万条数据时，这个判断会导致显著的性能瓶颈。

四、遍历过程中修改字典的陷阱与规避方案

在使用任何方法遍历字典时，一个极为常见的报错是：RuntimeError: dictionary changed size during iteration。

这是因为视图对象与原字典是动态绑定的。如果在循环体内部直接执行 d[new_key] = val 或者 del d[key]，原字典的哈希表大小或结构发生改变，正在运行的底层迭代器就会检测到版本失配并立即抛出异常。

data = {"a": 1, "b": -2, "c": 3}
# 错误写法：会直接触发 RuntimeError
for k, v in data.items():
    if v < 0:
        del data[k]

解决此类问题的标准解法通常有两种：

1. 使用 list() 对键进行浅拷贝：通过 list(data.keys()) 或 list(data) 在循环前固定一份静态的键名列表，遍历列表来安全删除原字典元素。

   # 正确写法一：冻结键列表
   for k in list(data.keys()):
       if data[k] < 0:
           del data[k]

2. 使用字典推导式创建新字典：如果内存允许，使用推导式不仅语义明确，且运行速度通常快于逐个 del。

   # 正确写法二：字典推导式重新生成
   data = {k: v for k, v in data.items() if v >= 0}

五、选型决策指南与总结

为了在实际编码中不假思索地写出正确、高效的代码，可以参考以下决策路径：

归纳起来，掌握这三个方法的核心在于明确数据需求：只要键，直接 for k in d 最地道；只要值，for v in d.values() 省开销；两个都要，for k, v in d.items() 兼具优雅与效率。理解底层的动态视图特性，不仅能帮助我们写出地道的 Pythonic 代码，也能在面对大容量数据和复杂业务时，有效避开性能损耗与并发修改的隐患。